基于深度学习和不确定性量化的肌肉MRI精准分割：SAM模型在神经肌肉疾病中的应用探索

本研究针对神经肌肉疾病(NMDs)患者肌肉MRI分割中脂肪浸润导致的边界模糊问题，创新性地采用Segment Anything Model(SAM)和MedSAM两种基础模型(FMs)，通过编码器/解码器(Enc/Dec)和仅解码器(Dec)两种微调策略，与nnU-Net 2D/3D进行对比研究。结果显示SAM Enc/Dec在中等和严重脂肪浸润组中Dice相似系数(DSC)分别达0.886和0.857，且预期校准误差(ECE)显著低于传统方法，为临床提供兼具高精度和可靠不确定性的自动分割工具。

　　

在神经肌肉疾病(NMDs)的临床研究和治疗监测中，骨骼肌(SM)的精准分割是获取脂肪分数(FF)、T₂弛豫时间等关键生物标志物的基础。然而，随着疾病进展导致的脂肪浸润，肌肉边界变得模糊不清，给传统分割方法带来巨大挑战。尽管深度学习(DL)模型如U-Net系列在医学图像分割中表现出色，但这类"黑箱"模型缺乏可靠性评估机制，其过度自信的预测可能误导临床决策。更令人担忧的是，当前针对脂肪浸润肌肉的分割研究多聚焦精度提升，鲜少关注预测不确定性的量化(UQ)问题。

为突破这些局限，来自意大利国家研究委员会的研究团队开展了一项创新性研究。他们首次系统评估了Segment Anything Model(SAM)及其医学版MedSAM在肌肉分割中的表现，不仅比较了与nnU-Net的精度差异，更引入Deep Ensembles(DE)技术全面评估预测不确定性。这项发表于《Computational and Theoretical Chemistry》的工作，为医学图像分析领域提供了重要的方法论参考。

研究采用76例NMD患者的大腿MRI数据，按Mercuri分级分为早期、中期和严重脂肪浸润组。技术方法上主要包含：1) 创新性改造SAM/MedSAM架构实现无需交互提示的多类别语义分割；2) 采用Low-Rank Adaptation(LoRA)进行参数高效的编码器微调；3) 通过5次k折交叉验证构建DE模型量化认知不确定性；4) 综合Dice相似系数(DSC)、预期校准误差(ECE)和负对数似然(NLL)等多维度评估指标。

4.1 分割性能

在早期组中，所有模型表现相当(nnU-Net 3D DSC=0.925，SAM Enc/Dec DSC=0.925)。但随着脂肪浸润加重，SAM Enc/Dec优势凸显：在中期组DSC达0.886，显著优于nnU-Net 3D的0.883；在严重组保持0.857，而nnU-Net 3D降至0.850。值得注意的是，MedSAM并未展现出预期优势，其医学预训练权重反而导致性能轻微下降。

4.2 不确定性评估

SAM系列模型展现出卓越的校准特性：在严重组中，SAM Enc/Dec的ECE仅为3.25%，远低于nnU-Net 3D的7.14%。定性分析显示，不确定性热图能准确标识脂肪浸润严重区域，如严重病例中的股直肌(RF)和股二头肌短头(BFS)。这种可靠的UQ能力使临床医生能快速定位需要复核的区域。

5.1 分割精度

研究证实了基础模型(FMs)在医学图像分割中的迁移学习优势。SAM通过1100万张自然图像的预训练，获得的视觉特征显著提升了在有限医学数据下的泛化能力。特别是采用LoRA技术的Enc/Dec微调策略，仅需调整2.34M参数就超越全参数训练的nnU-Net，显示出参数高效迁移学习的潜力。

5.2 不确定性量化

这项工作首次系统比较了CNN与FMs在医学图像分割中的UQ表现。结果显示，即使面对严重的脂肪浸润，SAM系列模型仍能保持3%左右的ECE，而传统CNN的校准误差随任务难度急剧上升。这种稳健性可能源于Transformer架构的注意力机制能更好捕捉长程依赖关系，而CNN的局部感受野在复杂场景中易产生过度自信预测。

这项研究的重要意义在于：一方面，证实了微调后的SAM在肌肉分割任务中可同时实现SOTA精度和最佳校准性能；另一方面，建立的DE-UQ评估框架为医学AI的可信部署提供了方法论范例。未来工作可探索3D SAM变体以进一步提升体积一致性，或测试贝叶斯深度学习等替代UQ技术。这些发现为推进AI在神经肌肉疾病精准诊疗中的应用奠定了坚实基础。